O sinal não para no router
Imagine um router Wi-Fi que não apenas liga dispositivos, mas que deteta os seus movimentos através das paredes. Um teste recente ao vivo demonstrou isto: três placas ESP32-S3 de cerca de 10 dólares, a executar firmware de código aberto e um modelo de IA treinado, classificaram os movimentos de um criador—sentar, levantar, andar, agachar—com 79,5% de precisão.
Esta capacidade provém da Channel State Information (CSI). Quando o seu router transmite um pacote Wi-Fi, divide os dados por dezenas de subportadoras distintas. O dispositivo recetor mede como a força e a fase do sinal de cada subportadora mudam à medida que viajam, ressaltando nas paredes, mobiliário e até no seu corpo.
O movimento altera subtilmente estes caminhos de sinal. O seu corpo, composto maioritariamente por água, absorve e reflete os sinais Wi-Fi, criando padrões de interferência únicos que as placas ESP32-S3 captam. Estes dados de sinal brutos e ondulantes são depois enviados para o modelo de IA.
Crucialmente, este sistema não o "vê" como uma câmara. Em vez disso, infere padrões de movimento amplos a partir destas alterações de sinal. A IA, inicialmente treinada correlacionando dados de Wi-Fi com informações de pose reais provenientes de uma câmara, aprende a reconhecer ações específicas sem nunca formar uma imagem visual.
Como o RuView aprende a ler uma divisão
O processo de aprendizagem do RuView espelha uma dinâmica professor-aluno. Uma webcam padrão, a executar um pose detection model, atua como o "professor", rotulando atividades humanas como sentar ou andar. Simultaneamente, três placas ESP32-S3 registam a Channel State Information (CSI)—as subtis alterações de sinal causadas pelo movimento—a partir dos seus caminhos Wi-Fi intersetados.
Estes registos de CSI, emparelhados com as etiquetas da webcam, treinam um segundo modelo de IA. Este modelo "aluno" aprende a prever atividades específicas apenas a partir dos dados de Wi-Fi, traduzindo eficazmente as perturbações invisíveis do sinal em movimentos reconhecíveis. Assim que o treino termina, a webcam é removida, deixando o modelo Wi-Fi a operar de forma independente.
A configuração DIY do criador envolveu três placas ESP32-S3 de cerca de 10 dólares posicionadas em torno de uma sala de estar, gerando múltiplos caminhos de sinal intersetados. Foram recolhidos aproximadamente nove minutos de dados de movimento rotulados, ensinando o modelo a interpretar várias ações.
Os resultados iniciais demonstraram um desempenho forte para movimentos estáticos ou previsíveis:
- Sentado: 93% de precisão
- A andar: 70% de precisão
- Divisão vazia: 96% de precisão
No entanto, o modelo teve dificuldades com gestos mais pequenos e subtis, detetando acenos com apenas 13% de precisão. Isto sugere que, embora os movimentos corporais de grande escala alterem significativamente os sinais Wi-Fi, as ações subtis dos membros podem não gerar perturbação de CSI suficiente para uma deteção fiável.
O título sobre a precisão precisa de um rótulo de aviso
Um olhar crítico sobre a precisão reportada pelo RuView revela nuances importantes. Embora o projeto reivindique uma precisão de referência de pouco mais de 82% no MM-Fi dataset—uma coleção robusta de 40 pessoas em quatro divisões em Singapura—os resultados do teste doméstico justificam uma inspeção mais atenta.
Os avaliadores consideraram a metodologia de teste do modelo algo otimista; frequentemente avaliou o desempenho usando exemplos das mesmas gravações utilizadas durante o treino. Quando testado numa divisão desconhecida, a precisão reportada pelo RuView caiu para uns meros 11%, destacando um significativo generalization problem.
Além disso, a demonstração viral amplamente divulgada, que apresenta um esqueleto em tempo real rastreando uma pessoa, teria gerado esse esqueleto a partir de vídeo de webcam, com a parte de Wi-Fi simulada. Essa ressalva fundamental destaca que um único ambiente e um único participante não estabelecem um rastreamento confiável e de uso geral. Para aqueles interessados na arquitetura do projeto ou em replicar experimentos, o RuView GitHub Repository oferece detalhes abrangentes.
A disparidade entre as alegações de benchmark e o desempenho no mundo real enfatiza o desafio de um sensoriamento humano robusto baseado em Wi-Fi. Embora promissora, a tecnologia ainda enfrenta dificuldades para se adaptar a diversos ambientes e indivíduos.
Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.
um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros
Sensor de movimento útil — ou vigilância invisível?
O sensoriamento Wi-Fi apresenta uma dualidade fascinante. Aplicações legítimas como sensoriamento de ocupação sem câmera, alarmes residenciais e detecção de quedas oferecem benefícios significativos, particularmente em ambientes onde câmeras não são desejáveis. Essas aplicações, no entanto, exigem testes rigorosos e salvaguardas robustas para evitar o uso indevido.
As implicações de privacidade são substanciais. Sinais de Wi-Fi podem atravessar algumas paredes, permitindo a detecção de presença e movimento sem gravar vídeos identificáveis. Embora isso não seja uma espionagem precisa a distâncias arbitrárias, levanta preocupações sobre vigilância invisível. A tecnologia poderia revelar padrões de vida sensíveis sem consentimento ou conhecimento explícito.
Essa capacidade de sensoriamento não é um recurso oculto dos roteadores do dia a dia. O padrão IEEE 802.11bf aborda especificamente o sensoriamento Wi-Fi, mas sua existência significa um esforço da indústria para padronizar funcionalidades de sensoriamento dedicadas, e não para permitir o rastreamento humano por meio de equipamentos atuais disponíveis no mercado. Limitações práticas permanecem: mudanças significativas no layout de uma sala ou a introdução de pessoas adicionais normalmente exigem o retreinamento do modelo para manter a precisão.
Perguntas Frequentes
O Wi-Fi realmente consegue detectar pessoas através de paredes?
Sinais de Wi-Fi podem atravessar algumas paredes, e mudanças nesses sinais podem revelar presença ou movimento. A precisão depende do ambiente, do hardware e da configuração.
O que é CSI no sensoriamento Wi-Fi?
Channel State Information (CSI) registra como as subportadoras de Wi-Fi mudam à medida que os sinais viajam entre dispositivos, incluindo mudanças causadas por objetos ou pessoas.
Qual foi a precisão do teste doméstico do RuView?
O criador relatou 79,5% de precisão em oito movimentos em um teste ao vivo separado, mas o experimento envolveu uma pessoa, uma sala e um modelo treinado no local.
O sensoriamento Wi-Fi requer uma câmera?
Uma câmera pode fornecer rótulos para treinar um modelo, mas, uma vez treinado, o modelo de sensoriamento pode fazer previsões apenas a partir de dados de Wi-Fi.